刷到过AI生成的视频吗？杯子凭空悬浮，老奶奶吹蜡烛时烛火方向乱飘，乍一看以假乱真，细究全是物理硬伤。

这背后，是视觉大模型能力被严重误判的真相。

被高估的物理一致性，被低估的底层泛化

视觉大模型的物理一致性能力被严重高估。

不少生成内容看似逼真，实则违背真实物理规律：悬浮的物体、方向错乱的光影、不符合逻辑的光照，都是典型问题。这些细节破绽，暴露了模型对真实物理空间的理解缺陷。

与之相对的，是视觉大模型被低估的底层泛化能力。

它见过海量样本后，对颜色、纹理、边缘等底层特征的提取能力远超预期。

哪怕是从未见过的陌生数据，也能精准识别出这些基础特征——就像小孩学会苹果、香蕉是水果后，能直接认出梨一样。

计算摄像+大模型：解开成像的九维密码

计算摄像并非新鲜事，我们日常用的彩色相机就是典型案例。

相机每个像素只采集红、绿、蓝中的一种颜色，最终呈现的全彩图像，是通过计算补全另外两种颜色得到的。

成像过程涉及空间、时间、光谱等九个维度，最终的二维图像是这些维度信息叠加的结果。要解开这些叠加的信息，需要大量先验知识。

过去靠人工定义约束条件，现在大模型能通过学习数据获取新的约束，让解更合理——本质就是给解方程加边界，避免出现无穷多解或不合理解。

端到端≠万能，知识才是AI的软肋

端到端模型是技术进步的产物，多数场景下性能优于传统方法，但计算和存储成本极高。

手机、太空设备等对成本、功耗敏感的场景，传统方法靠人工设计特征，能用最低成本实现目标，反而更实用。

大模型的核心问题，是跳过了知识层，只做数据到数据的拟合。教小孩认粪便，两三次就能学会；教大模型，海量数据投喂都未必能行。

人学的是概念知识，大模型学的是数据规律，两者不在一个层级。就像飞机仿生鸟类，但飞行原理完全不同，神经网络的知识获取能力远弱于人类。

当前文本大模型已接近瓶颈，全世界的文本数据几乎被学完，性能增长空间有限。

具身智能（包括自动驾驶）反而有更大突破可能——它要解决现实空间与信息空间的交互问题，而现实空间是开放复杂的。

但具身智能不等于大模型，必须用轻量化模型实现实时交互，降低功耗，这才是未来的核心方向。